目　　錄
譯者序
推薦序
作者簡(jiǎn)介
審校者簡(jiǎn)介
前言
第1章　賦予計(jì)算機(jī)學(xué)習(xí)數(shù)據(jù)的能力1
1.1構(gòu)建智能機(jī)器將數(shù)據(jù)轉(zhuǎn)化為知識(shí)1
1.2　機(jī)器學(xué)習(xí)的三種不同方法1
1.2.1　通過(guò)監(jiān)督學(xué)習(xí)對(duì)未來(lái)事件進(jìn)行預(yù)測(cè)2
1.2.2　通過(guò)強(qiáng)化學(xué)習(xí)解決交互式問(wèn)題4
1.2.3　通過(guò)無(wú)監(jiān)督學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)本身潛在的結(jié)構(gòu)4
1.2.4　基本術(shù)語(yǔ)及符號(hào)介紹5
1.3　構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的藍(lán)圖6
1.3.1　數(shù)據(jù)預(yù)處理6
1.3.2　選擇預(yù)測(cè)模型類型并進(jìn)行訓(xùn)練7
1.3.3　模型驗(yàn)證與使用未知數(shù)據(jù)進(jìn)行預(yù)測(cè)8
1.4　Python在機(jī)器學(xué)習(xí)中的應(yīng)用8
本章小結(jié)9
第2章　機(jī)器學(xué)習(xí)分類算法10
2.1　人造神經(jīng)元—早期機(jī)器學(xué)習(xí)概覽10
2.2　使用Python實(shí)現(xiàn)感知器學(xué)習(xí)算法13
2.3　自適應(yīng)線性神經(jīng)元及其學(xué)習(xí)的收斂性19
2.3.1　通過(guò)梯度下降最小化代價(jià)函數(shù)20
2.3.2　使用Python實(shí)現(xiàn)自適應(yīng)線性神經(jīng)元21
2.3.3　大規(guī)模機(jī)器學(xué)習(xí)與隨機(jī)梯度下降25
本章小結(jié)29
第3章　使用scikit-learn實(shí)現(xiàn)機(jī)器學(xué)習(xí)分類算法30
3.1　分類算法的選擇30
3.2　初涉scikit-learn的使用30
使用scikit-learn訓(xùn)練感知器31
3.3　邏輯斯諦回歸中的類別概率34
3.3.1　初識(shí)邏輯斯諦回歸與條件概率34
3.3.2　通過(guò)邏輯斯諦回歸模型的代價(jià)函數(shù)獲得權(quán)重36
3.3.3　使用scikit-learn訓(xùn)練邏輯斯諦回歸模型37
3.3.4　通過(guò)正則化解決過(guò)擬合問(wèn)題39
3.4　使用支持向量機(jī)最大化分類間隔41
3.4.1　對(duì)分類間隔最大化的直觀認(rèn)識(shí)41
3.4.2　使用松弛變量解決非線性可分問(wèn)題42
3.4.3　使用scikit-learn實(shí)現(xiàn)SVM44
3.5　使用核SVM解決非線性問(wèn)題44
3.6　決策樹48
3.6.1　最大化信息增益—獲知盡可能準(zhǔn)確的結(jié)果49
3.6.2　構(gòu)建決策樹52
3.6.3　通過(guò)隨機(jī)森林將弱分類器集成為強(qiáng)分類器53
3.7　惰性學(xué)習(xí)算法—k-近鄰算法54
本章小結(jié)57
第4章　數(shù)據(jù)預(yù)處理—構(gòu)建好的訓(xùn)練數(shù)據(jù)集58
4.1　缺失數(shù)據(jù)的處理58
4.1.1　將存在缺失值的特征或樣本刪除59
4.1.2　缺失數(shù)據(jù)填充60
4.1.3　理解scikit-learn預(yù)估器的API60
4.2　處理類別數(shù)據(jù)61
4.2.1　有序特征的映射61
4.2.2　類標(biāo)的編碼62
4.2.3　標(biāo)稱特征上的獨(dú)熱編碼63
4.3　將數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集64
4.4　將特征的值縮放到相同的區(qū)間65
4.5　選擇有意義的特征66
4.5.1　使用L1正則化滿足數(shù)據(jù)稀疏化67
4.5.2　序列特征選擇算法70
4.6　通過(guò)隨機(jī)森林判定特征的重要性74
本章小結(jié)76
第5章　通過(guò)降維壓縮數(shù)據(jù)77
5.1　無(wú)監(jiān)督數(shù)據(jù)降維技術(shù)—主成分分析77
5.1.1　總體方差與貢獻(xiàn)方差78
5.1.2　特征轉(zhuǎn)換80
5.1.3　使用scikit-learn進(jìn)行主成分分析82
5.2　通過(guò)線性判別分析壓縮無(wú)監(jiān)督數(shù)據(jù)84
5.2.1　計(jì)算散布矩陣85
5.2.2　在新特征子空間上選取線性判別算法87
5.2.3　將樣本映射到新的特征空間89
5.2.4　使用scikit-learn進(jìn)行LDA分析90
5.3　使用核主成分分析進(jìn)行非線性映射91
5.3.1　核函數(shù)與核技巧91
5.3.2　使用Python實(shí)現(xiàn)核主成分分析94
5.3.3　映射新的數(shù)據(jù)點(diǎn)99
5.3.4　scikit-learn中的核主成分分析102
本章小結(jié)103
第6章　模型評(píng)估與參數(shù)調(diào)優(yōu)實(shí)戰(zhàn)104
6.1　基于流水線的工作流104
6.1.1　加載威斯康星乳腺癌數(shù)據(jù)集104
6.1.2　在流水線中集成數(shù)據(jù)轉(zhuǎn)換及評(píng)估操作105
6.2　使用k折交叉驗(yàn)證評(píng)估模型性能106
6.2.1　holdout方法106
6.2.2　k折交叉驗(yàn)證107
6.3　通過(guò)學(xué)習(xí)及驗(yàn)證曲線來(lái)調(diào)試算法110
6.3.1　使用學(xué)習(xí)曲線判定偏差和方差問(wèn)題110
6.3.2　通過(guò)驗(yàn)證曲線來(lái)判定過(guò)擬合與欠擬合112
6.4　使用網(wǎng)格搜索調(diào)優(yōu)機(jī)器學(xué)習(xí)模型113
6.4.1　使用網(wǎng)絡(luò)搜索調(diào)優(yōu)超參114
6.4.2　通過(guò)嵌套交叉驗(yàn)證選擇算法115
6.5　了解不同的性能評(píng)價(jià)指標(biāo)116
6.5.1　讀取混淆矩陣116
6.5.2　優(yōu)化分類模型的準(zhǔn)確率和召回率117
6.5.3　繪制ROC曲線118
6.5.4　多類別分類的評(píng)價(jià)標(biāo)準(zhǔn)121
本章小結(jié)121
第7章　集成學(xué)習(xí)—組合不同的模型122
7.1　集成學(xué)習(xí)122
7.2　實(shí)現(xiàn)一個(gè)簡(jiǎn)單的多數(shù)投票分類器125
7.3　評(píng)估與調(diào)優(yōu)集成分類器131
7.4　bagging —通過(guò)bootstrap樣本構(gòu)建集成分類器135
7.5　通過(guò)自適應(yīng)boosting提高弱學(xué)習(xí)機(jī)的性能138
本章小結(jié)143
第8章　使用機(jī)器學(xué)習(xí)進(jìn)行情感分析144
8.1　獲取IMDb電影評(píng)論數(shù)據(jù)集144
8.2　詞袋模型簡(jiǎn)介146
8.2.1　將單詞轉(zhuǎn)換為特征向量146
8.2.2　通過(guò)詞頻-逆文檔頻率計(jì)算單詞關(guān)聯(lián)度147
8.2.3　清洗文本數(shù)據(jù)148
8.2.4　標(biāo)記文檔149
8.3　訓(xùn)練用于文檔分類的邏輯斯諦回歸模型151
8.4　使用大數(shù)據(jù)—在線算法與外存學(xué)習(xí)152
本章小結(jié)155
第9章　在Web應(yīng)用中嵌入機(jī)器學(xué)習(xí)模型156
9.1　序列化通過(guò)scikit-learn擬合的模型156
9.2　使用SQLite數(shù)據(jù)庫(kù)存儲(chǔ)數(shù)據(jù)158
9.3　使用Flask開發(fā)Web應(yīng)用160
9.3.1　第一個(gè)Flask Web應(yīng)用160
9.3.2　表單驗(yàn)證及渲染161
9.4　將電影分類器嵌入Web應(yīng)用164
9.5　在公共服務(wù)器上部署Web應(yīng)用169
本章小結(jié)172
第10章　使用回歸分析預(yù)測(cè)連續(xù)型目標(biāo)變量173
10.1　簡(jiǎn)單線性回歸模型初探173
10.2　波士頓房屋數(shù)據(jù)集174
10.3　基于最小二乘法構(gòu)建線性回歸模型178
10.3.1　通過(guò)梯度下降計(jì)算回歸參數(shù)178
10.3.2　使用scikit-learn估計(jì)回歸模型的系數(shù)181
10.4　使用RANSAC擬合高魯棒性回歸模型182
10.5　線性回歸模型性能的評(píng)估184
10.6　回歸中的正則化方法185
10.7　線性回歸模型的曲線化-多項(xiàng)式回歸186
10.7.1　房屋數(shù)據(jù)集中的非線性關(guān)系建模188
10.7.2　使用隨機(jī)森林處理非線性關(guān)系190
本章小結(jié)193
第11章　聚類分析——處理無(wú)類標(biāo)數(shù)據(jù)194
11.1　使用k-means算法對(duì)相似對(duì)象進(jìn)行分組194
11.1.1　k-means++196
11.1.2　硬聚類與軟聚類198
11.1.3　使用肘方法確定簇的最佳數(shù)量199
11.1.4　通過(guò)輪廓圖定量分析聚類質(zhì)量200
11.2　層次聚類203
11.2.1　基于距離矩陣進(jìn)行層次聚類204
11.2.2　樹狀圖與熱度圖的關(guān)聯(lián)207
11.2.3　通過(guò)scikit-learn進(jìn)行凝聚聚類208
11.3　使用DBSCAN劃分高密度區(qū)域209
本章小結(jié)212
第12章　使用人工神經(jīng)網(wǎng)絡(luò)識(shí)別圖像213
12.1　使用人工神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜函數(shù)建模213
12.1.1　單層神經(jīng)網(wǎng)絡(luò)回顧214
12.1.2　多層神經(jīng)網(wǎng)絡(luò)架構(gòu)簡(jiǎn)介215
12.1.3　通過(guò)正向傳播構(gòu)造神經(jīng)網(wǎng)絡(luò)216
12.2　手寫數(shù)字的識(shí)別218
12.2.1　獲取MNIST數(shù)據(jù)集218
12.2.2　實(shí)現(xiàn)一個(gè)多層感知器222
12.3　人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練228
12.3.1　計(jì)算邏輯斯諦代價(jià)函數(shù)228
12.3.2　通過(guò)反向傳播訓(xùn)練神經(jīng)網(wǎng)絡(luò)230
12.4　建立對(duì)反向傳播的直觀認(rèn)識(shí)231
12.5　通過(guò)梯度檢驗(yàn)調(diào)試神經(jīng)網(wǎng)絡(luò)232
12.6　神經(jīng)網(wǎng)絡(luò)的收斂性236
12.7　其他神經(jīng)網(wǎng)絡(luò)架構(gòu)237
12.7.1　卷積神經(jīng)網(wǎng)絡(luò)237
12.7.2　循環(huán)神經(jīng)網(wǎng)絡(luò)238
12.8　關(guān)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)239
本章小結(jié)240
第13章　使用Theano并行訓(xùn)練神經(jīng)網(wǎng)絡(luò)241
13.1　使用Theano構(gòu)建、編譯并運(yùn)行表達(dá)式241
13.1.1　什么是Theano242
13.1.2　初探Theano243
13.1.3　配置Theano244
13.1.4　使用數(shù)組結(jié)構(gòu)245
13.1.5　整理思路—線性回歸示例247
13.2　為前饋神經(jīng)網(wǎng)絡(luò)選擇激勵(lì)函數(shù)250
13.2.1　邏輯斯諦函數(shù)概述250
13.2.2　通過(guò)softmax函數(shù)評(píng)估多類別分類任務(wù)中的類別概率252
13.2.3　通過(guò)雙曲正切函數(shù)增大輸出范圍252
13.3　使用Keras提高訓(xùn)練神經(jīng)網(wǎng)絡(luò)的效率254
本章小結(jié)258